在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。

针对单核SVM分类识别SAR图像舰船目标的低精度问题, 提出了一种基于多特征提取和多核学习SVM的SAR图像舰船目标识别方法, 从特征提取和分类器训练两个方面提升目标识别的准确度。首先选用公开数据集提取舰船目标的多类特征, 然后加权融合多个核函数构造多核SVM模型, 最后使用多项特征数据训练识别舰船目标。鉴于多组目标特征存在信息冗余问题, 采用相关性系数去除某些信息高度冗余的特征, 降低特征维度。通过粒子群优化算法解决了SVM核函数的核参数选择难题。实验结果表明, 所提方法有效改善了对舰船目标的识别性能, 综合识别准确率由传统SVM的87.18%提高至92.31%。

针对SAR图像舰船目标识别中存在的数据不平衡问题提出了一种基于批内平衡采样和模型微调的两阶段迁移学习方法。首先使用批内平衡采样方法得到类间数量平衡的训练集, 然后使用该数据集预训练模型, 最后通过迁移学习和模型微调继续训练不平衡数据并完成测试。针对一般三通道CNN模型在处理单通道SAR图像时会出现参数冗余的问题,设计了一种用于SAR图像识别的轻量化CNN模型。通过单通道卷积核、深度可分离卷积和用全局平均池化代替全连接层3种策略有效降低了模型的参数量。在公开数据集OpenSARShip上的实验结果表明: 所提方法有效提升了少数类的识别精度, 缓解了数据不平衡问题对识别结果的影响; 所提轻量化CNN模型在保证识别精度基本不变的前提下, 使传统三通道CNN模型的模型大小和单次迭代时间分别降低约58.86%和63.62%。

考虑多波段图像的融合识别可以扩展识别系统的应用范围，本文探索并设计了一种基于卷积神经网络的融合识别方法。该方法以AlexNet网络模型为基础，同时对可见光、中波红外和长波红外三波段图像进行特征提取; 然后，利用互信息的方法对串联的三波段特征向量进行特征选择，依据重要性排序的方式选定固定长度的特征向量; 最后，依据特征提取层级的不同，分别以早期融合、中期融合和后期融合3种融合方式来验证算法的有效性。采用自建的三波段舰船图像数据库进行了模型的训练和测试，共包含6类目标，5 000余张图像。实验结果显示，采用的3种融合识别方法中，中间层融合的识别准确率最高，达到84.5%，比早期融合和后期融合分别高5%和7%左右。另外，在本文的应用场景下，无论何种融合方式，其融合识别的准确率均明显高于其他单波段识别的准确率。

在复杂海洋背景下，诱饵弹的发射对海面环境及舰船目标的干扰影响不可忽略。为了实时计算耦合的红外海洋干扰场景，利用了舰载和机载诱饵弹空时域分布特性及红外辐射模型，分析了诱饵弹在红外波段的工作特点；根据诱饵弹与海洋环境的辐射能量作用机理，利用双向反射率分布函数建立了海面面元的散射特性模型；构建了基于GPU并行运算的海上诱饵弹干扰场景渲染框架，实现了复杂海洋环境中舰载和机载诱饵弹干扰结果的实时计算；评估了舰载和机载诱饵弹对舰船成像结果的影响，并定量分析了舰船对比度随诱饵弹发射角度及观察高度的影响，为复杂海环境目标的侦查探测算法研究、诱饵弹开发提供了依据。